亞洲健康互聯
優化產業的推手,生醫商機的GPS!

首頁產業資訊製藥報導製藥產業結合生成對抗網路和強化學習兩大人工智慧技術用於藥物發現

結合生成對抗網路和強化學習兩大人工智慧技術用於藥物發現

來源 : Summer Weng 編譯
update : 2018/05/15
Insilico Medicine 在Molecular Pharmaceutics期刊上發表了題為「對抗閾值神經電腦用於藥物分子設計」的研究論文。文中所描述的對抗閾值神經電腦(ATNC)模型,結合了對抗生成網路(GAN)演算法和強化學習演算法,其目的是用於設計新型的有機小分子,並使其具有一系列理想的藥理性質。Insilico Medicine是一家來自美國巴爾的摩市的高科技企業,旨在將人工智慧應用於藥物開發、生物標誌物研發以及衰老研究。

Insilico Medicine的深度學習部門負責人Evgeny Putin評論說:「這篇論文是將ATNC技術應用於藥物發現的一次概念驗證。我們將於這個夏天發表更多後續的實驗驗證。希望將這項技術整合到我們的藥物研發流程中,來説明發現高效的藥物分子,使其不僅可以針對特定的靶點也可以應對多個靶點。」

GAN的架構是由Lan Goodfellow於2015年提出,並在圖像,影片和簡訊的生成上迅速展現傑出的能力。GAN的基本原理,是透過讓其中的生成網路模型和判別網路模型相互對抗,進而共同優化來獲得理想結果。在此次概念驗證研究中,Insilico Medicine的科學家率先將GAN與強化學習演算法(RL)相結合來用於藥物發現。

Insilico Medicine的創辦人兼執行長Alex Zhavoronkov 說:「這項研究中的GAN-RL架構是由Evgeny Putin提出,展示出產生大量有效並獨特分子結構的能力。這項研究採用了一些列的分子結構來做概念驗證。而在演算法內部我們集成了生成模型,強化學習模型以及我們擁有專利的分子結構資訊,使我們可以把化學和生物學聯繫起來,以產生所需要的藥物分子。」

Insilico Medicine是第一個將深度生成對抗網路(GAN),應用於生成具有特定參數的新分子結構,並在Oncotarget和Molecular Pharmaceutics期刊上發表了相關開創性論文。2016年發表在Molecular Pharmaceutics期刊上的論文,展示了利用深層神經網路來分析轉錄反應資料,從而預測分子治療類別的概念證明,並因此獲得了美國化學學會編輯獎。2017年11月發表的論文,則闡述了如何利用下一代人工智慧技術與區塊鏈技術,讓個人重新掌握個體健康資料的控制權。而最新發表在Journals of Gerontology期刊上的論文,展示了深度神經網路在評估患者的生物學年齡上的應用。